Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos Software

IntroducciónPropuesta

Estudio experimentalConclusión

Optimización Multi-objetivo Basada en Preferenciaspara la Planificación de Proyectos Software

Rubén Saborido1 Francisco Chicano2

1École Polytechnique de Montréal

2Universidad de Málaga

Rubén Saborido y Francisco Chicano MAEB 2015, Mérida, España, Febrero de 2015



Esquema de la presentación

1 IntroducciónProblema de optimización multiobjetivoOptimización multiobjetivo: metodologíasEnfoque basado en punto de referenciaPlanificación de proyectos software

2 PropuestaPreferencias en el problema SPSUn enfoque interactivo en el problema SPSInteractive SPS

3 Estudio experimentalEMO vs Preference-based EMOConfiguración del experimentoResultados

4 Conclusión




Problema de optimización multiobjetivoOptimización multiobjetivo: metodologíasEnfoque basado en punto de referenciaPlanificación de proyectos software

Definición problema de optimización multiobjetivo

minimizar {f1(x), f2(x), . . . , fk(x)}sujeto a x ∈ S

(1)

Z=f (S)

ZS

f2

f1

f(S)

Espacio de decisión <-> Espacio de objetivos





Definición problema de optimización multiobjetivo

¿Cuáles son las mejores soluciones en Z?

Z=f (S)

ZS

f2

f1

f(S)

Espacio de decisión <-> Espacio de objetivos





Relación de dominancia de Pareto

Dado x, x′ ∈ S, se dice que x Pareto domina a x′ sifi(x) ≤ fi(x

′) ∀i = 1, . . . , k y ∃j ∈ {1, . . . , k} : fj(x) < fj(x′)

Z=f (S)

Z = f(S)

A

B

C

f2

f1

A y B son Pareto equivalentes, pero C es dominada por A y B.





Relación de dominancia de Pareto

x ∈ S es eficiente o Pareto óptima si @x′ ∈ S tal que x′ ≺ x

Z=f (S)

Z = f(S)f2

f1

Conjunto de soluciones Pareto óptimas → frente óptimo de Pareto





Resolución de un problema de optimización multiobjetivo

Diferentes puntos de vista:

X Evolutionary Multiobjective Optimization (EMO): generar unconjunto bien distribuido de soluciones no dominadas queaproximen el frente óptimo de Pareto.

X Multiple Criteria Decision Making (MCDM): encontrarsoluciones pareto óptimas considerando las preferencias deldecisor.

X Preference-based EMO: aproximar una región del frenteóptimo de Pareto considerando las preferencias del decisor.





Preferencias mediante punto de referencia

Punto de referencia alcanzable Punto de referencia inalcanzable

Región de interés determinada por un punto de referencia q.





El problema SPS





El problema SPS: una posible solución

La evaluación de una solución se basa en una simulación del proyectoObjetivos:

Duración: tiempo requerido para completar todas las tareasCoste: salario de los empleados multiplicado por su dedicacióny horas trabajadas





El problema SPS: una posible solución

Posible asignación (ineficiente) de empleados a tareas.




Preferencias en el problema SPSUn enfoque interactivo en el problema SPSInteractive SPS

Aproximación sin preferencias

Un algoritmo multi-objetivo que no considere preferencias permiteaproximar el frente óptimo de Pareto





Región de interés en el problema SPS

¿Y si el director de proyectos tiene ciertas preferencias?

No es necesario aproximar el frente óptimo de Pareto.





Un enfoque interactivo en el problema SPS

Inicialmente se aproxima el frente óptimo de Pareto.En la interacción con el decisor (DM), éste determina q.

Con el enfoque interactivo, el DM adquiere conocimiento sobre el problema.





iSPS: un software de resolución interactivo

Ayudar al director de proyectos en la toma de decisiones.Resolver el problema SPS.Enfoque interactivo basado en punto de referencia.Mediante algoritmos evolutivos basados en preferenciasdiseñados para aproximar la región de interés:

1 WASF-GA.2 g-NSGA-II.3 P-MOGA.





Arquitectura software de iSPS

Desarrollado en JAVA.Hace uso de GNUPlot y extiende jMetal.





Arquitectura software de iSPS

Basado en el patrón MVC.





Interfaz gráfica de usuario de iSPS





Ejemplo práctico de uso de iSPS




EMO vs Preference-based EMOConfiguración del experimentoResultados

Calidad de la aproximación de la región de interés

¿Aproximar la región de interés o todo el frente óptimo de Pareto?

Algunos experimentosNSGA-II, WASF-GA, G-NSGA-II y P-MOGA.Instancia del problema SPS con 8 empleados y 64 tareas.





Algoritmos, operadores y parámetros empleados

Dos puntos de referencia aleatorios.Tamaño de la población = 100.Número de generaciones = 10.000 (1.000.000 evaluaciones).Recombinación: operador TwoPointsCrossover, con Pc = 0,9.Mutación: operador RandomMutation, con Pm = 1/n.Criterio de parada: Número de generaciones.Número de ejecuciones: 30.





Aproximación de cada algoritmo (30 ejec.): todos los frentes






Aproximación de cada algoritmo (30 ejec.): 50%-EAS





Buen rendimiento de los algoritmos basados en preferencias.

iSPS es un software multiplataforma que permite:X Resolver diferentes instancias del problema SPS.X Guiar y ayudar al DM en la toma de decisiones.X Aproximar la región de interés definida por q.


Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos Software

Software

Transcript of Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos Software